개요
광학 링 캐비티를 통해 연구원은 선택한 모드만 전송하여 들어오는 빛을 필터링할 수 있습니다. 이 기술은 광학 간섭계 및 분광학과 같은 응용 분야에 철저하게 조절된 레이저 빔이 필요한 경우에 유용합니다. 연구자들은 대물렌즈로 최하위 모드인 가우스 모드를 선택하는 경우가 많으므로 결과 빔은 가우스 프로필을 갖습니다. 광학 링 캐비티에 성공적으로 정렬하려면 빔 웨이스트의 위치와 크기뿐만 아니라 캐비티의 입사 인터페이스인 거울과 관련하여 빔의 수평 및 수직 위치와 기울기 각도를 정확하게 설정해야 합니다.
플로켓호주 국립대학교 스핀아웃인 Aqacia와 양자 컴퓨팅 서비스 제공업체인 2pi Software의 합작 투자 회사인 XNUMXpi Software가 딥 러닝 옵티마이저(DLO), 양자 및 기타 복잡한 시스템을 최적화하기 위해 설계된 기계 학습 시스템입니다. 일반적으로 이러한 시스템은 제한된 시간이나 자원으로 인해 샘플링하는 데 비용이 많이 들고 링 캐비티 정렬 문제보다 차원이 더 높습니다. 그룹은 DLO의 클라우드 기반 특성을 활용하여 DLO를 다음과 통합했습니다. Moku:Go, FPGA 기반 테스트 및 측정 장치 Liquid Instruments (그림 1).
Moku 장치는 하나의 하드웨어에 여러 소프트웨어 정의 기기를 통합하여 광학 링 캐비티를 매끄럽고 자동으로 정렬하는 데 필요한 다양성을 제공합니다. Moku 장치는 API 지원 자동화로 인해 이 작업에 특히 이상적입니다. 이 애플리케이션에서 Moku:Go의 휴대성과 소형 폼 팩터는 빠르고 유연한 성능에 대한 추가 이점을 제공했습니다.
그림 1: Moku:Go는 디지털 입력/출력 포트를 사용하여 광학 테이블에서 실험의 다른 하위 시스템을 제어합니다.
DLO는 신경망 앙상블과 휴리스틱 엔진을 사용하여 일련의 훈련 및 예측 시퀀스를 순환합니다. 이 접근 방식은 기존의 인간 기반 메커니즘을 사용하여 현재 가능한 것보다 더 빠르고 정확하게 대상 시스템에 적합한 제어 프로필을 설정하는 데 도움이 됩니다.
실험실 및 산업 장비 모두에 대해 적절한 제어 설정을 설정하는 것은 장비가 의도한 대로 일관되게 작동하는 능력을 보장하는 데 중요합니다. DLO와 Moku:Go는 함께 작동하여 특히 다음과 같은 경우 고도로 자동화된 방식으로 이 기능을 활성화합니다.
- 대상 시스템은 희소 샘플링 제약 조건 하에서 제한적으로 작동합니다.
- 샘플 데이터를 획득하는 데 금전적인 비용이 많이 듭니다.
- 문제 영역은 차원이 높습니다.
- 대상 시스템은 주기적으로 작동하며 자동화의 이점을 누릴 수 있습니다.
- 많은 기존 학습 알고리즘을 배제하는 하드 매개변수 경계가 존재합니다.
난제
전통적으로 레이저 빔을 광학 캐비티에 정렬하려면 수동 개입이 필요했습니다. 대략적인 정렬은 캐비티의 입력 창에서 반사된 빔의 경로에 검출기를 배치하여 달성할 수 있습니다. 감지된 스펙트럼을 관찰하는 동안 과학자는 한 쌍의 모드 매칭 거울을 사용하여 들어오는 빔의 위치와 기울기를 조정하고, 빔 웨이스트 크기를 조정하고, 한 쌍의 렌즈를 사용하여 위치를 최적화해야 합니다. 이 과정은 검출기 신호의 흡수 저하가 관찰될 때까지 계속됩니다. 과학자가 일부 빛이 캐비티로 유입되고 있다고 확신하면 캐비티를 통해 투과된 빛을 감지할 수 있는 캐비티의 아웃풋 윈도우 뒤에 감지기를 배치합니다. 마지막으로 투과 스펙트럼이 원하는 모드에서 단일 피크를 형성할 때까지 거울과 렌즈를 조정했습니다.
캐비티 정렬 과정은 시간이 오래 걸리며 여러 광학 경로가 포함된 복잡한 실험의 경우 각 캐비티에 대해 일일히 반복해야 합니다. 또한 온도 변동 및 기계적 섭동과 같은 드리프트 원인으로 인해 정렬을 주기적으로 조정해야 합니다. DLO는 이 문제로 인해 발생하는 2차원 상태 공간을 쉽게 최적화할 수 있습니다. 그러나 DLO의 소프트웨어 출력을 물리적 조정으로 변환하려면 제어 계층이 필요합니다(그림 2).
그림 2: 두 개의 Moku:Go 장치, 레이저 소스 및 기타 광학 구성 요소를 포함한 광학 설정.
해법
결과
Floquet은 DLO를 Moku:Go와 통합하여 광학 캐비티에 대한 레이저 빔의 자동 정렬을 가능하게 했습니다. 초기 수동 정렬에서 대상 모드를 보고 식별할 수 있는 한 시스템은 고품질 정렬을 찾고 유지하여 정렬을 인계받을 수 있습니다. 자동화된 DLO 기반 시스템은 비슷하거나 더 나은 정렬 품질을 위해 정렬 속도에서 전문 작업자보다 확실히 능가할 수 있었습니다. 그림 3은 측정된 비용 함수(광검출기의 강도)와 실행 횟수 증가를 보여줍니다. 음영 처리된 영역은 실행 0부터 25까지의 짧은 정체기인 초기 샘플링을 강조합니다. 600번 실행까지 DLO는 빔의 타원율에 의해 부과된 한계 내로 광학 캐비티 정렬을 최적화했으며 몇 가지 최적 정렬은 300번 실행의 최적 정렬에서 확인되었습니다.
그림 3: 측정된 비용 함수와 실행 횟수 결과.
그림 4는 최적화 프로세스 중 랜덤 미러 및 렌즈 구성에 대해 가시성을 위한 DC 오프셋이 포함된 광검출기 아웃풋의 스냅샷을 보여줍니다. 오른쪽 그림은 DLO가 결정한 최종 구성의 스펙트럼을 보여줍니다. 원하는 대로 거의 모든 광 출력이 가우스 모드로 전송되었습니다.
그림 4: 훈련 예제의 광검출기 출력(왼쪽)과 최적화된 스펙트럼(오른쪽).
Moku:Go를 DLO와 융합시킴으로써 Floquet은 실험실에 쉽게 배포할 수 있는 광학용 자동 정렬 시스템을 만들 수 있었으며, 이러한 기술 조합을 이용해 물리 시스템에 고급 머신 러닝 기능을 제공할 수 있다는 점을 증명했습니다.
혹시 궁금하신 점이 있으십니까?
지식 베이스를 통해 자주 묻는 질문들에 대한 답변을 확인하십시오
장치 기능이나 장비 기능에 대해 질문이 있는 경우 당사의 광범위한 내용을 확인하십시오. 기술 자료 당신이 찾고 있는 답을 찾기 위해. 인기 기사를 빠르게 확인하고 제품이나 주제별로 검색 범위를 좁힐 수도 있습니다.
사용자 포럼에 가입하시어 연락을 받으십시오
새로운 기능을 요청하고 싶으신가요? 공유할 지원 팁이 있나요? 사용 사례 예시부터 새로운 기능 발표 등에 이르기까지 사용자 포럼 제품 업데이트는 물론 Liquid Instruments 및 글로벌 사용자 커뮤니티와의 연결을 위한 원스톱 상점입니다.
